聚类光谱水稻种分类网络

光谱聚类省维不失义

先聚类后提取，保留全部波段的物理意义，同时降低冗余，给高光谱分析一条新路。

玉双 · Wang, Zikang · Zeyu, Wang · Liu, Mingyi · Yongze, Zhan · Shaozong, Song · Wang, Zhongjie

Knowledge-Based Systems 2025

参数信息

对比模型数量

12

对比水稻专用网络数量

4

指标

3

数据集数量

2

技术优势

光谱聚类保义降维

波段聚类减少冗余，同时保留每个波段的物理意义，不丢弃细节。

多粒度特征提取

SFEIDT 和 GDFE 分别在粒度尺度和全局尺度提取光谱判别细节和长程依赖。

分类精度全面领先

在两个数据集上，准确率、F1 和 κ 系数均优于八种通用模型和四种专用水稻分类网络。

灵活的数据增强

聚类后的输入空间支持灵活的数据增强，提升模型泛化。

应用场景

• 水稻种子品种鉴定：快速、无损地鉴定水稻种子品种，可嵌入种子质检线替代人工目检。
• 高光谱成像分析：为高光谱图像分析提供一种保义降维的新范式，可直接迁移到其他高维光谱数据任务。
• 智能传感与分类：通过多粒度特征提取融合光谱细节与全局依赖，提升高光谱传感系统的分类鲁棒性。
• 工业视觉质检：可集成到工业视觉质检流水线，实现种子或其他产品的在线光谱非接触分选。